1.物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s1中，材料性能参数包括弹性模量e、剪切模量g、泊松比μ、屈服强度σ0.2、断裂强度σb、延伸率δs、断面收缩率ψ；名义载荷参数包括试验温度t、名义最大应力σnmax、名义应力比rnσ和试验频率ν；缺口几何参数包括缺口根部半径ρ、缺口张角θ和缺口深度h。
3.根据权利要求1所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s1中，每种缺口疲劳原始特征参数有缺失时使用缺失值插补方法补充至完整。
4.根据权利要求2所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s2中，根部载荷参数包括缺口根部的最大应力和缺口根部的应力比，借助neuber方法结合目标金属材料的名义载荷参数，通过解析的方式求得缺口根部应力和应变，得到根部载荷参数的过程包括如下步骤：
5.根据权利要求4所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s2中，根部损伤参数包括根部的swt损伤参数swtr、基准寿命损伤参数1/nfsd和缺口应力集中系数kt，swtr由下式求得：
6.根据权利要求4所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s3中，材料性能参数采用材料在室温下的材料性能参数进行归一化处理：
7.根据权利要求1所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s4中，将缺口疲劳特征数据集随机打乱后依照材料种类将缺口疲劳数据集划分为各个子集，采用分层抽样方法对各个子集按比例划分为训练集和测试集。
8.根据权利要求1所述的物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法，其特征在于，步骤s5中，极限梯度提升树机器学习模型需要优化的超参数包括回归树个数n、学习率η、最大树深度n，极限梯度提升树机器学习模型的优化迭代过程包括以下步骤：